导读:本文包含了递归最小二乘论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:递归,小二,算法,自适应,速效,乘法,光谱。
递归最小二乘论文文献综述
孙伟,黄晶莹,冯先泽,李以农,王艳阳[1]（2018）在《滤波递归最小二乘(FxRLS)算法研究》一文中研究指出在智能驾驶控制领域,需要针对外界控制环境的变化,实时调整控制器的相关参数,以实现自适应的控制方法。本文采用自适应滤波器的方法,在滤波最小均方算法(Filtered-X,Least Mean Squares)的基础上,拓展研究滤波最小递归二乘(Filter-X,Recursive Least Squares)算法,分析了其收敛性与稳定性。在此基础上,进一步研究多输入多输出系统(MIMO)的FxRLS算法及其收敛稳定性,仿真结果表明,FxRLS算法比FxLMS算法的收敛更快、鲁棒性更优。(本文来源于《2018中国汽车工程学会年会论文集》期刊2018-11-06）
张杰烁,刘明,李鑫,熊鹏,刘秀玲[2]（2018）在《基于递归最小二乘法的回声状态网络算法用于心电信号降噪》一文中研究指出远程医疗的复杂环境中,心电信号极易被噪声淹没,从而影响心血管疾病的智能诊断。基于此,本文提出了一种基于递归最小二乘法的回声状态网络心电信号降噪算法。该算法通过递归最小二乘法对该网络进行训练,可自动学习得到含噪心电数据中非线性的且具有区分度的深层次特征,并利用这些特征自动分离心电信号与噪声。实验中,采用信噪比和均方根误差为指标,将本文方法与基于子带自适应阈值的小波变换法和S变换法进行比较。实验结果表明,本方法降噪精度更优,同时信号的低频成分也得到了很好的保持。本文方法可做到消除心电信号中的复杂噪声并完整保留心电信号的形态,为心电图的特征检测和心血管疾病的智能诊断奠定了基础。(本文来源于《生物医学工程学杂志》期刊2018年04期）
刘晓伟,钟棉卿,郭一民[3]（2018）在《递归最小二乘格型自适应滤波算法在噪声主动控制中应用》一文中研究指出在噪声主动控制中,滤波-x递归最小二乘(Fx RLS)算法收敛速度快而计算复杂度较大。噪声控制过程分为两部分,文中采用递归最小二乘格型(RLSL)自适应滤波结构和算法来实现控制过程的自适应和采用格型联合估计器对初始信号滤波产生次级源信号。文中分别介绍了基于后验估计误差的递归最小二乘格型(PEE-RLSL)滤波算法和带误差反馈的先验估计误差的递归最小二乘格型(PEEEF-RLSL)滤波算法,联系噪声控制系统的实际对联合估计过程进行改进得到基于各阶估计误差的联合过程估计权系数更新关系。仿真结果表明PEEEF-RLSL滤波算法收敛性能远优于PEE-RLSL滤波算法,有快的收敛速度,小的稳态误差且对突变有好的跟踪性能;也表明要得到好的噪声控制效果不仅与选择的算法有关,还应当合理的选取滤波器阶数和初始化参数。(本文来源于《北京力学会第二十四届学术年会会议论文集》期刊2018-01-21）
黄兵明[4]（2017）在《基于改进ELM的递归最小二乘强化学习算法的研究》一文中研究指出强化学习包含了策略评价与策略寻优两个方面的问题,其中策略评价问题在机器学习中又称为预测学习过程,而策略寻优即策略优化问题在机器学习中又被称为控制学习过程,通过正确、成熟的策略评价以及策略迭代技术可实现控制学习,并最终实现最优控制。本文课题分别就策略评价算法以及策略寻优算法两方面展开研究:策略评价方面,针对基于最小二乘函数逼近时序差分算法的快速性以及输出精度和稳定性上进行进一步改善。首先,针对在强化学习问题中基于极限学习机(Extreme learning machine,ELM)的最小二乘时序差分学习算法计算效率低的问题,本文提出采用具有单抑制特性的Softplus激活函数代替传统的Sigmoid函数,用以减少算法计算量。其次,针对传统ELM输入层权值随机的不稳定性问题,在学习过程中加入正则化因子,有效地克服了值函数逼近器的过拟合问题,从而更好地估计值函数真实值。然后,针对样本利用率,加入了资格迹方法,提出基于改进ELM的最小二乘时序差分算法(Least-squares temporal difference learning algorithm based on improvedextreme learning machine,IELM-LSTD)。同时,为了进一步提高计算速度,从算法复杂度角度出发,将递推方法引入到IELM-LSTD算法中,消去最小二乘中的矩阵求逆过程,形成递归最小二乘算法,提出基于改进ELM的递归最小二乘时序差分算法(recursive least-squares temporal difference learning algorithm based on improved extreme learning machine,IELM-RLSTD),有效降低了算法复杂度并提高了在线计算速度。通过广义Hop-word实验以及倒立摆实验,验证了所提算法在计算速度和稳定性上的提高。策略优化方面,在改善策略评价算法的基础上,结合传统的策略迭代技术,提出了基于改进ELM的最小二乘Q(λ)策略寻优算法(Recursive least-squares Q learning algorithm based on improved extreme learning machine,IELM-RLSQ(λ)),除了具有快速性及稳定性外,该算法对Q函数值进行逼近,相比于传统Q(λ)算法,本算法替代了采用表格存储Q值的方法,用以解决更复杂的环境问题。以RPG游戏中寻路过程为实验模型,进行路径策略寻优,实验表明,所提算法在成功解决躲避障碍物问题基础上,实现了最优路径的快速搜索,通过与Q(λ)算法和LSQ(λ)算法的比较,证明了所提算法在学习速率和寻优效果上的提升。(本文来源于《北京化工大学》期刊2017-05-22）
袁红春,潘金晶[5]（2016）在《改进递归最小二乘RBF神经网络溶解氧预测》一文中研究指出为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数(RBF)神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明:该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。(本文来源于《传感器与微系统》期刊2016年10期）
高放,孙长建,邵庆龙,郭树旭[6]（2016）在《基于K-均值聚类和传统递归最小二乘法的高光谱图像无损压缩》一文中研究指出针对基于预测的高光谱图像无损压缩算法压缩比低的问题,该文将聚类算法与高光谱图像预测压缩算法相结合,提出一种基于K-均值聚类和传统递归最小二乘法的高光谱图像无损压缩算法。首先,对高光谱图像按光谱矢量进行K-均值聚类以提升同类光谱矢量间的相似度。然后,对每一聚类群分别使用传统递归最小二乘法进行预测,消除高光谱图像的空间冗余和谱间冗余。最后,对预测误差图像进行算术编码,完成高光谱图像压缩过程。对AVIRIS 2006高光谱数据进行仿真实验,所提算法对16位校正图像、16位未校正图像和12位未校正图像分别取得了4.63倍,2.82倍和4.77倍的压缩比,优于同类型已报道的各种算法。(本文来源于《电子与信息学报》期刊2016年11期）
朱宗明,姜占才[7]（2016）在《小波递归最小二乘语音自适应增强》一文中研究指出针对语音自适应增强的递归最小二乘(RLS)算法必须已知参考信号的约束条件,将小波技术引入RLS算法中,提出了一种语音自适应增强算法-小波递归最小二乘算法(WRLS)。该算法无需参考输入和输入信号的延时量,而是用小波分解、合成技术初估期望信号,以此获得先验误差;再用RLS算法求解滤波器权系数修正量;同时采用"块"和"符号"技术减少权系数修正的运算量,提高算法的收敛速度。仿真实验表明该算法的增强效果明显优于谱减法和小波增强法。(本文来源于《电子设计工程》期刊2016年01期）
盛积饶[8]（2016）在《基于分布式递归最小二乘算法的网络化稀疏信号处理研究》一文中研究指出随着网络理论的发展和网络技术的日益完善,基于网络化的信号与信息处理成为近年来信号处理领域研究的热点。在分布式估计中,各网络节点依赖于邻居节点之间的局部数据交换和协作处理获得全局最优的信号估计,是实现网络化信号处理的基础。与传统集中式估计相比,分布式估计减小了网络化信号处理的计算复杂度和资源消耗,增加了网络化信号处理的可扩展性和稳健性。传统的分布式估计算法缺乏有效利用信号内在结构的机制。然而,在许多实际应用中,待处理的信号往往具有某些内在结构。业已证明,信号的稀疏性是一种广泛存在的信号结构,普遍存在于大量自然界和人工产生的信号中。因此,本文主要针对稀疏信号的网络化处理开展研究。本文以分布式递归最小二乘算法为基础,研究稀疏信号的分布式估计问题,发展相应的分布式稀疏递归最小二乘算法。此外,我们还注意到,信号的稀疏性有可能随时间而变化,因此本文将分布式稀疏信号估计推广到时变稀疏的情况,提出针对时变稀疏信号的分布式递归最小二乘算法。本文主要工作如下：1.简述网络化信号处理和稀疏信号估计的基本理论。首先简要介绍网络化信号处理的基本思想和稀疏信号估计问题；在此基础上,较为详细的介绍了网络化处理的两种基本结构—集中式处理和分布式处理,其中对与本文工作密切相关的分布式递归最小二乘算法进行了详细的介绍。2.发展基于递归最小二乘算法的分布式稀疏信号估计算法。本文结合期望最大化算法和稀疏正则化方法迭代更新节点局部估计信息,从而实现分布式稀疏递归最小二乘估计。该算法的核心是在迭代更新过程中,根据稀疏正则化设计合理的阈值函数约束信号的稀疏性。本文在比较l1-范数和l0-范数正则化的基础上,提出采用lp-范数(0<p<1)和连续幂函数逼近的方法以提高l1-范数的稀疏约束能力,并避免l0-范数非凸性所导致的算法不稳定。仿真实验结果表明,所提出的算法可有效提高算法的估计精度和收敛速度。3.研究时变稀疏信号的分布式估计问题。为有效利用时变稀疏信号的先验信息,本文提出在分布式稀疏递归最小二乘估计中采用加权l1-范数正则化的方法以跟踪信号稀疏性的变化,从而实现时变稀疏信号的分布式估计。加权l1-范数可根据信号时变规则设计合理的权值,从而利用信号稀疏先验信息提高估计性能。仿真结果表明,本文提出的算法可以有效实现时变稀疏信号的分布式估计。(本文来源于《南京理工大学》期刊2016-01-01）
贾生尧,杨祥龙,李光,张建明[9]（2015）在《近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究》一文中研究指出土壤速效磷与速效钾在近红外区没有直接与它们相关的吸收峰,只能借助与其他拥有直接吸收峰物质(有机质,碳酸盐,粘土矿物,水分等)之间的相关关系而被近红外光谱技术所预测。这种相关关系会随着土壤样品构成的不同而不断变化,因此采用固定结构的近红外光谱模型很难对速效磷与速效钾取得较好的预测效果。提出采用递归偏最小二乘法(RPLS)在预测过程中递归更新土壤速效磷与速效钾的回归系数,以提高模型的预测能力;比较了偏最小二乘法(PLS),局部加权PLS(LW-PLS),滑动窗口LW-PLS(LWPLS2)和RPLS对于土壤速效磷与速效钾含量的预测结果。194份土壤样品根据土壤类型分为建模集与预测集:建模集包含120份人为土样品;预测集则包含29份铁铝土样品,23份人为土样品和22份初育土样品。结果表明:RPLS模型取得了最优的预测结果,获得的决定系数(R2)分别为0.61与0.76,预测相对分析误差(RPD)分别为1.60与2.05。说明RPLS通过不断更新模型的回归系数,能够适应新加入建模集样品的信息。相比于其他方法,预测精度更高,适用范围更广。(本文来源于《光谱学与光谱分析》期刊2015年09期）
朱宗明,姜占才[10]（2015）在《小波递归最小二乘语音自适应增强》一文中研究指出针对语音自适应增强的递归最小二乘算法必须已知参考信号的约束条件,将小波技术引入RLS算法中,提出了一种语音自适应增强算法—小波递归最小二乘算法(WRLS)。无需参考输入和输入信号的延时量,而是用小波分解、合成技术初估期望信号,以此获得先验误差;再用RLS算法求解滤波器权系数修正量;同时采用"块"和"符号"技术减少权系数修正的运算量,提高算法的收敛速度。仿真实验表明该算法的增强效果明显优于谱减法和小波增强法。(本文来源于《新型工业化》期刊2015年07期）
递归最小二乘论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
远程医疗的复杂环境中,心电信号极易被噪声淹没,从而影响心血管疾病的智能诊断。基于此,本文提出了一种基于递归最小二乘法的回声状态网络心电信号降噪算法。该算法通过递归最小二乘法对该网络进行训练,可自动学习得到含噪心电数据中非线性的且具有区分度的深层次特征,并利用这些特征自动分离心电信号与噪声。实验中,采用信噪比和均方根误差为指标,将本文方法与基于子带自适应阈值的小波变换法和S变换法进行比较。实验结果表明,本方法降噪精度更优,同时信号的低频成分也得到了很好的保持。本文方法可做到消除心电信号中的复杂噪声并完整保留心电信号的形态,为心电图的特征检测和心血管疾病的智能诊断奠定了基础。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
递归最小二乘论文参考文献
[1].孙伟,黄晶莹,冯先泽,李以农,王艳阳.滤波递归最小二乘(FxRLS)算法研究[C].2018中国汽车工程学会年会论文集.2018
[2].张杰烁,刘明,李鑫,熊鹏,刘秀玲.基于递归最小二乘法的回声状态网络算法用于心电信号降噪[J].生物医学工程学杂志.2018
[3].刘晓伟,钟棉卿,郭一民.递归最小二乘格型自适应滤波算法在噪声主动控制中应用[C].北京力学会第二十四届学术年会会议论文集.2018
[4].黄兵明.基于改进ELM的递归最小二乘强化学习算法的研究[D].北京化工大学.2017
[5].袁红春,潘金晶.改进递归最小二乘RBF神经网络溶解氧预测[J].传感器与微系统.2016
[6].高放,孙长建,邵庆龙,郭树旭.基于K-均值聚类和传统递归最小二乘法的高光谱图像无损压缩[J].电子与信息学报.2016
[7].朱宗明,姜占才.小波递归最小二乘语音自适应增强[J].电子设计工程.2016
[8].盛积饶.基于分布式递归最小二乘算法的网络化稀疏信号处理研究[D].南京理工大学.2016
[9].贾生尧,杨祥龙,李光,张建明.近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究[J].光谱学与光谱分析.2015
[10].朱宗明,姜占才.小波递归最小二乘语音自适应增强[J].新型工业化.2015
论文知识图
